Jun, 2020

如何避免被 Grue 吞噬：构建探索策略应对文本世界

PDF
TL;DR我们介绍了 Q*Bert 和 MC!Q*BERT 两个代理，在自然语言状态 - 动作空间中通过回答问题构建知识图谱来提高样本效率，并通过探索策略和内在动机检测瓶颈来有效探索空间，在九个文本游戏中超越了当前最先进的方法，包括 Zork 游戏。
发现论文，激发创造
  • 避免被格鲁怪兽吃掉：文字冒险游戏智能体的探索策略

    利用知识图谱方法增强自然语言交互式文本游戏探索策略，克服了强化学习在处理大规模操作空间时的效率问题，在 Zork1 中成功解决了先前困扰代理的瓶颈问题。

    Feb, 2020

  • 基于图形的深度强化学习玩文本冒险游戏

    本文介绍了一种基于深度强化学习的架构，将游戏状态表示为知识图谱，通过剪枝动作空间和转移学习等技术实现了更高效的探索和学习，通过测试表明，此技术可在 TextWorld 平台上更快地学习控制策略。

    Dec, 2018

  • 基于探索的基于文本游戏的语言学习

    本文介绍一种采用探索和模仿学习的代理程序，能够在玩基于文本的电脑游戏时表现出最先进的性能。该方法使用 Go-Explore 探索方法以及模仿学习策略去训练模型，实现了更高效的解决文本游戏和更强的泛化能力。

    Jan, 2020

  • 感知世界：针对基于文本游戏的问题引导强化学习

    本研究探讨了深度强化学习在文本游戏中的应用，提出了通过引入知觉模块以及使用两阶段训练框架来提高样本效率，从而解决了应用 DRL 的两个主要挑战。实验结果表明，提出的方法显着提高了性能和样本效率，并且对复合错误和数据有限的预训练表现出鲁棒性。

    Mar, 2022

  • 学习动态信念图以推广文本游戏

    通过使用端到端学习的图形结构表示，我们提出一种新颖的图形辅助转换器代理（GATA），并探究其如何计划和推广文本游戏，并证明学习到的基于图形的表示有助于代理人收敛到比纯文本模型更好的策略，促进游戏配置的有效推广。

    Feb, 2020

  • 学习基于知识图谱的文本环境世界模型

    该论文聚焦于构建基于文本的游戏环境的世界模型，利用知识图谱和自然语言行动生成模型，提升增强学习智能体在该环境下的效率。通过零样本消融实验，表明该方法显著优于现有的文本世界建模技术及其各自贡献的重要性。

    Jun, 2021

  • 互动文本游戏的知识增强代理

    该文提出了一种通过注入领域知识的方式来改善基于文本游戏中的智能代理的实现过程，并考虑了多种不同的注入策略，包括知识图谱和输入编码策略的增强，实验结果在 ScienceWorld 文本游戏环境中得到证明。

    May, 2023

  • 应用于交互小说的深度强化学习算法改进

    本文研究利用深度强化学习算法可玩具有组合性、稀疏奖励、有部分可观察性的文本游戏。提出了基于累积奖励的上下文化机制，缓解了部分可观测性，研究了可行动作的不同方法，并在一系列不同难度的文本游戏和 Zork 游戏中进行了实证研究，结果表明这些技术提高了基于文本游戏的深度强化学习代理的性能。

    Nov, 2019

  • 使用知识图谱进行深度强化学习的迁移学习

    该研究探讨了使用知识图谱作为域知识传输的表示来训练文本冒险游戏中的强化学习智能体的方法，测试其在多个游戏上的迁移学习能力，结果表明这种方法能够更快地学习高质量的控制策略。

    Aug, 2019

  • 在文本游戏中计数以探索和泛化

    本论文提出了一种带有片段式探索机制的循环强化学习代理，在文本游戏环境中发现良好策略。我们在一系列生成的文本游戏中展示了有希望的结果，游戏难度各异，目标是在一系列房间的末尾收集硬币。与以往的文本强化学习方法相比，我们发现我们的代理学习到可以泛化到更难的未见过游戏的策略。

    Jun, 2018